人工智能神经网络例题复习课程.doc

人工智能神经网络例题

学习—————好资料
神经网络学习

假设w1(0)=0.2, w2(0)=0.4, θ(0)=0.3, η=0.4，请用单层感知器完成逻辑或运算的学习过程。
解：根据“或”运算的逻辑关系，可将问题转换为：
输入向量：X1=[0, 0, 1, 1]
X2=[0, 1, 0, 1]
输出向量：Y=[0, 1, 1, 1]
由题意可知，初始连接权值、阈值，以及增益因子的取值分别为：
w1(0)=0.2, w2(0)=0.4, θ(0)=0.3，η=0.4
即其输入向量X(0)和连接权值向量W(0)可分别表示为：
X(0)=(-1, x1 (0), x2 (0))
W(0)=(θ(0), w1(0), w2 (0))
根据单层感知起学习算法，其学习过程如下：
设感知器的两个输入为x1(0)=0和x2(0)=0，其期望输出为d(0)=0，实际输出为：
y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0))
=f(0.2*0+0.4*0-0.3)=f(-0.3)=0
实际输出与期望输出相同，不需要调节权值。
再取下一组输入：x1(0)=0和x2(0)=1，其期望输出为d(0)=1，实际输出为：
y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0))
=f(0.2*0+0.4*1-0.3)=f(0.1)=1
实际输出与期望输出相同，不需要调节权值。
再取下一组输入：x1(0)=1和x2(0)=0，其期望输出为d(0)=1，实际输出为：
y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0))
=f(0.2*1+0.4*0-0.3)
=f(-0.1)=0
实际输出与期望输出不同，需要调节权值，其调整如下：
θ(1)=θ(0)+η(d(0)- y(0))*(-1)=0.3+0.4*(1-0)*(-1)= -0.1
w1(1)=w1(0)+η(d(0)- y(0))x1(0)=0.2+0.4*(1-0)*1=0.6
w2(1)=w2(0)+η(d(0)- y(0))x2(0)=0.4+0.4*(1-0)*0=0.4
再取下一组输入：x1(1)=1和x2(1)=1，其期望输出为d(1)=1，实际输出为：
y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1))
=f(0.6*1+0.4*1+0.1)
=f(1.1)=1
实际输出与期望输出相同，不需要调节权值。
再取下一组输入：x1(1)=0和x2(1)=0，其期望输出为d(0)=0，实际输出为：
y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1))
=f(0.6*0+0.4*0 + 0.1)=f(0.1)=1
实际输出与期望输出不同，需要调节权值，其调整如下：
θ(2)=θ(1)+η(d(1)- y(1))*(-1)= -0.1+0.4*(0-1)*(-1)= 0.3
w1(2)=w1(1)+η(d(1)- y(1))x1(1)=0.6+0.4*(0-1)*0=0.6
w2(2)=w2(1)+η(d(1)- y(1))x2(1)=0.4+0.4*(0-1)*0=0.4
再取下一组输入：x1(2)=0和x2(2)=1，其期望输出为d(2)=1，实际输出为：
y(2)=f(w1(2) x1(2)+ w2(2) x2(2)-θ(2))
=f(0.6*0+0.4*1 - 0.3)=f(0.1)=1
实际输出与期望输出相同，不需要调节权值。
再取下一组输入：x1(2)=1和x2(2)=0，其期望输出为d(2)=1，实际输出为：
y(2)=f(w1(2) x1(2)+ w2(2) x2(2)-θ(2))
=f(0.6*1+0.4*0 - 0.3)=f(0.3)=1
实际输出与期望输出相同，不需要调节权值。
再取下一组输入：x1(2)=1和x2(2)=1，其期望输出为d(2)=1，实际输出为：
y(2)=f(w1(2) x1(2)+ w2(2) x2(2)-θ(2))
=f(0.6*1+0.4*1 - 0.3)=f(0.7)=1
实际输出与期望输出相同，不需要调节权值。
至此，学习过程结束。最后的得到的阈值和连接权值分别为：
θ(2)= 0.3
w1(2)=0.6
w2(2)= 0.4
不仿验证如下：
对输入：“0 0”有y=f(0.6*0+0.4*0-0.3)=f(-0.3)=0
对输入：“0 1”有y=f(0.6*0+0.4*1-0.3)=f(0.1)=1
对输入：“1 0”有y=f(0.6*1+0.4*0-0.3)=f(0.3)=1
对输入：“1 1”有y=f(0.6*1+0.4*1-0.3)=f(0.7)=1

精品资料